01 / 23
2026.03

从 Agent 创业
到 Token 经济

智能可以按 token 计价了
这改变了创业、投资与融资的一切

3
Agent 项目实战
$6K
90天 Token 消耗
4
投资判断框架
↓ 先从两个概念讲起
02 / 23
第一幕 · 认知铺垫
基础概念

什么是 Token？

大模型不认识"字"，它认识的最小单位叫 token——就像计算机认识字节一样

实时演示
共计 0 tokens
当你向大模型发送一句"帮我写一封邮件给供应商"，这句话会被拆成大约 10-15 个 token 送进模型。模型理解之后，生成回复时每输出一个字也消耗 1-2 个 token。整个过程就像出租车计费：上车起步价 + 按路程收费。
📐
一个汉字 ≈ 1-2 token
"你好" = 2个字 ≈ 2-3 tokens
"今天天气怎么样" ≈ 7-9 tokens
🧮
所有操作都在消耗 token
你说的每句话（输入）、AI 回的每句话（输出）、AI 记住的上下文（缓存），全部按 token 计价
💡
核心类比
字节之于计算机 = Token 之于大模型
它是智能的最小计量单位
03 / 23
第一幕 · 认知铺垫
Token 计价

三种 Token，三种成本

每次调用大模型，你的钱花在这三个地方

📥
输入 Token
你说的话、发的图、传的文件
📤
输出 Token
AI 回复的文字、代码、分析
💾
缓存 Token
AI 记住的上下文，价格打折
主流模型定价 (每百万 token · 2026.03)
模型厂商输入缓存输入输出缓存折扣
Claude Opus 4.6 Anthropic $5.00$0.50$25.00 90%
GPT-5.4 (长) OpenAI $2.50$0.25$15.00 90%
DeepSeek V3.2 DeepSeek $0.28$0.028$0.42 90%
GLM-5 智谱AI ~$1.00-~$3.20 待公布
Kimi K2.5 月之暗面 ~$0.56~$0.10~$2.94 ~82%
最贵和最便宜的差了 60 倍——但不是越贵越好，也不是越便宜越省
下一页展开讲 ↓
04 / 23
第一幕 · 认知铺垫
关键区别

强智元 vs 弱智元

Token 也叫"智元"。不同模型的 token 智力密度完全不同——便宜的干不了贵的活，贵的干便宜的活就是浪费

S
强智元
Claude Opus 4.6 · GPT-5.4
• 深度推理、复杂决策、长链路任务
• 能当 Agent：自主规划 → 调用工具 → 纠错 → 完成
• 输出 $7.5-25 / 百万 token
• 适合：写代码、做财务分析、合同审查、投资决策
W
弱智元
DeepSeek V3.2 · Kimi K2.5
• 简单分类、格式转换、信息提取
• 只能执行单步指令，无法自主决策
• 输出 $0.42-2.94 / 百万 token
• 适合：翻译、摘要、数据清洗、分类打标
实际案例：同一任务，两种结果
任务："分析这份合同，找出对我方不利的条款"
强智元 (Claude Opus 4.6)
"第7.3条违约金比例过高(30%)，行业惯例为10-15%；第12条管辖法院约定在对方所在地，建议改为被告所在地；第5.2条付款条件 Net-90 远超行业标准..."
→ 找到5处风险，给出修改建议
弱智元 (DeepSeek V3.2)
"这份合同包含违约条款和付款条款，建议请律师审核。"
→ 一句废话，等于没分析
反过来：用 Opus 4.6 做翻译 = 拿茅台冲马桶
弱智元 (DeepSeek) 翻译 "Hello World"
结果："你好世界" ✅ 花费 ¥0.0001
强智元 (Opus 4.6) 翻译 "Hello World"
结果："你好世界" ✅ 花费 ¥0.03 (贵300倍，结果一样)
投资视角：真正的 AI 公司知道什么时候用强智元、什么时候用弱智元。这就是 token routing——它直接决定毛利率
05 / 23
第一幕 · 认知铺垫
核心概念

什么是 Agent？

传统 AI 给你建议，Agent 帮你做完——它能自己拆解任务、调用工具、执行操作

用户输入
"帮我分析这个月的开支，找出最大的三笔异常消费"
传统 AI 会说：
"建议你打开银行App，导出账单，然后..."

Agent 会直接： ↗
关键区别：传统 AI 输出"建议"，Agent 输出"结果"。一个是顾问，一个是助理。顾问告诉你该做什么，助理直接帮你做完。
🧠
理解意图 → 拆解为 3 个子任务
思考: 需要获取数据、分析异常、生成报告
~200 tk
🔌
调用银行 API → 拉取交易记录
tool_call: get_transactions(month="2026-03")
~150 tk
📊
分析 87 笔交易 → 标记异常
对比历史均值，Z-score > 2 的标为异常
~800 tk
📋
生成分析报告 → 返回结果
Top 3 异常: 培训费¥8,900 / 设备¥12,000 / ...
~500 tk
💰
总消耗: ~1,650 tokens ≈ ¥0.02
一个助理 1 小时的工作，2 分钱搞定
06 / 23
第一幕 · 认知铺垫
演进历史

AI 四年六次跃迁

从"聊天工具"到"数字员工团队"——每一步都改变了我们的工作方式

2022.11
💬
Chat
你问一句，它答一句
只生成文本
ChatGPT 发布
2023
📚
Finetune / RAG
让 AI 记住你的业务
但还是只能回答
企业开始接入
2024 H1
⚙️
Workflow
按固定流程执行
无法处理意外
Dify / Coze 爆发
2024 H2
🤖
Agent
自主判断 + 调用工具
能处理新情况
通用接口协议(MCP) 发布
2025
🔗
Protocol 元年
MCP + A2A 统一协议
Agent 之间有了"通用语言"
OpenAI / Google 接入 MCP
2026 NOW
👥
MAS 落地
多 Agent 协作量产
一人公司成为现实
← 我们在这里
4 年时间，AI 从"聊天工具"变成了 "数字员工团队"
了解完概念，来看我的实战经历
07 / 23
第二幕 · 亲身实践
About

三次 Agent-native 试验

从产品、API、账单里，重新理解"产品"和"投资"

Q
QuantHatch
虚拟交易竞技场，让 Agent 在 A/H/US 三市场零人工参赛
Agent 是用户，不是工具
quanthatch.com →
O
OriSelf
AI 人格测试平台，10,000+ 用户，让我理解 Agent 的情绪价值
JSON ≠ 产品完成
oriself.fun →
钱
账面
AI 原生会计基础设施，16 个技能接口，给 AI 用的会计系统
边界能力才值钱
accountingllm.site →
08 / 23
第二幕 · 亲身实践
Lessons

三个项目，三次确认

教训一
Agent 也是消费者
在 QuantHatch 里，真正下单、查询的是会连续调用 skill 的执行体。用户开始分裂成"人类用户"和"机器用户"
教训二
JSON ≠ 产品完成
OriSelf 让我明白，即便核心流程由 Agent 完成，最终仍要给人一个可感知、可分享、可安心的结果页
教训三
真正值钱的是边界能力
账面最有价值的部分是政策编译、证据链、权限隔离。这些卡在 Agent 长程任务的必经节点上
图示：Agent 任务链上的"必经收费站"
用户下指令
→
Agent 拆解任务
→
🚧 政策编译器
法规→可执行规则
→
记账 & 分录
→
🚧 证据织网
操作→可追溯链路
→
生成报表
蓝色/紫色节点 = Agent 绕不过去的"收费站"——谁卡住这些节点，谁就有议价权
做完三个项目之后，越来越确信：AI 时代的公司在争夺 Agent 工作流里的默认位置
09 / 23
第二幕 · 亲身实践
实战案例

我三个月花掉 $6,000 token

得到的是更多运行机会——这让我重新理解了"成本"

$6,000
约等于每天 $67。这笔钱烧在"把系统变成高频试错机器"上
单价下降，总支出反而上升。因为一旦试错变便宜，你就会开始让系统做更多以前根本做不起的事
打样速度
idea → demo 的时间被压缩。以前一周的试错，现在可能是一晚
评测密度
批量跑案例、反复修正、快速迭代
后台代理
很多本该人工盯着跑的事，被 Agent 自动循环接管了
失败样本
token 让失败从情绪问题变成预算问题
⚡
极端案例：token-recyclebin.com
从 idea 到上线 只用了 1 小时。一个人 + Agent 工具链，完成了从需求分析、UI 设计、前后端开发到部署上线的全流程。这在两年前至少需要一个三人团队花一周时间
1h
IDEA → LIVE
花完这些钱之后，我对 Token 经济有了更深的理解 ↓
10 / 23
第三幕 · 核心洞察
Token Economy

Token 是 智能的会计单位

它把过去难以切分的思考、生成、调用、试错，压成可计价、可优化、可预算的颗粒度

它到底在计什么？
计量 Cognition
把"模型思考过一次"转成可计费单位
结算 Runtime
把调用、上下文、检索折算进账单
压缩试错
把创业最贵的试错成本前移成可预算的 OPEX
暴露架构
账单会直接暴露你的路由策略与失败率
早期（烧钱做原型）
它先像"研发预算"
原型、评测、prompt、工具接线、数据整理、自动化测试，全部会先在 token 账单里出现
成长期（产品跑起来后）
然后它变成"毛利变量"
一旦进入 agent 产品阶段，token 直接决定单位成本与规模化天花板
11 / 23
第三幕 · 核心洞察
Market

市场很热，但真正的机会不在"热"里

资本在上游高度集中，企业在中下游仍处早期试验阶段

$425B
2025 全球 VC 融资
≈50%
AI 占融资比重
62%
企业已试验 AI Agents
~2/3
仍未完成企业级 Scale
钱涌进来了，但大部分还没找到出口
真正的机会在于：谁能成为 Agent 运行时的默认节点
12 / 23
第三幕 · 核心洞察
行业信号

软件公司在主动把入口让给 Agent

这是分发渠道的结构性变化：用户不再点击按钮，Agent 替他们调用 API

案例 1 · Google Workspace
从图形界面到 Agent 接口
用户打开 Gmail → 点击写信 → 手动输入
旧
↓ 变成了 ↓
agent.call("gmail.send", {to: "...", body: "..."})
新
Google 把 Agent 通用接口写进了官方文档。Gmail、Docs、Calendar 全部可以被 Agent 直接调用
案例 2 · Salesforce
从 CRM 到 Agent 平台
销售人员登录 → 手动更新客户状态 → 写跟进记录
旧
↓ 变成了 ↓
Agentforce MCP: 自动跟进 + 预测成交概率
新
Salesforce 把 Agent 接口和生命周期管理作为平台能力销售，CRM 从"人用的软件"变成了"Agent 的工具"
软件的价值正从"界面好不好用"转向"Agent 会不会默认调用我"
13 / 23
第三幕 · 核心洞察
长期视角

软件产业的护城河，正在换位置

过去四十年，我们不断更换"收费的位置"

1980s
License
卖安装权，价值建立在软件拷贝与本地部署上
2000s
SaaS
卖席位与协作，价值建立在人愿不愿意每天登录
2010s
Cloud
卖算力抽象，基础设施被 API 化、弹性化
2020s
API Economy
卖函数调用，谁被集成进工作流，谁就拿走价值
NOW
协议经济
卖默认路由权，谁成为 Agent 的默认工具，谁就拥有收费站
14 / 23
第三幕 · 核心洞察
核心论点

投资逻辑，得跟着用户形态一起变

要投会被 Agent 默认调用 的节点
过去 · Human-first
看界面、看品牌
• 看界面、品牌、人会不会留在里面
• 团队人数 = 执行力
• 融资先于运行，PPT 先于系统
• 默认人类是唯一用户
现在 · Runtime-first
看协议、看调用权
• 看协议、权限、数据、默认调用权
• 创始人 × Agent leverage 才是执行力
• 先让它跑起来，再谈规模化资本
• Agent 也是消费者，且越来越大
理解了趋势，接下来聊行动 ↓
15 / 23
第四幕 · 行动建议
实操指南

如何做 AI Native 创业公司

四个关键决策

01 · 产品定位
给 Agent 设计，给人交付
• 核心流程由 Agent 执行
• 结果页给人看、给人分享
• API 优先，界面其次
• 例：账面的 16 个技能接口
02 · 技术架构
卡住必经节点
• 政策编译器（把法规变成可执行规则）
• 证据链（让 Agent 的操作可追溯）
• 权限隔离（多租户数据安全）
• 这些是 Agent 绕不过去的
03 · 成本结构
Token 就是你的单位成本
• 早期：token = 研发预算
• 中期：token = 单位成本
• 后期：token 效率 = 毛利率
• 必须从 Day 1 就优化 token 使用
04 · 团队配置
创始人 × Agent 杠杆
• 1 个人 + Agent 工具链 = 过去 5-10 人的产出
• 先装工具链，再决定招谁
• 重点招能驾驭 Agent 的人
• 例：Garry Tan 的 gstack
"我一个人每个月烧掉 2,000 USD 的 token。如果一个创业团队还烧不到我的一半，
就说明他们做的根本不是 AI 创业。"
16 / 23
第四幕 · 行动建议
实操指南

如何识别 AI Native 创业公司

四个关键指标 + 一条铁律

指标一
每一块钱干了多少活
每 1 美元 token 成本，换来多少真实完成的任务（不是多少回答）
指标二
扣掉 token 后还赚钱吗
把 token、工具调用、检索成本都算进去之后，毛利还能不能站得住
指标三
Agent 会默认用它吗
它是不是卡在 Agent 的默认调用路径上。没有默认调用权，就没有议价权
指标四
一个人能顶几个人
一个创始人借助 Agent 工具链，能否完成过去 5~10 人团队的首版工作
投资铁律
只投 AI 未来 3-5 年做不到、或者 AI 必须依赖的东西
• 2026 年还在研究 Workflow？Agent Skill 已经是它的上位替代
• 2026 年还在教人学 Python？只能去互联网博物馆当守门员
• 值得投的是：数据壁垒、监管合规、物理世界接口、信任机制——这些是 AI 越强越需要的
要同时看 收入表 与 token 用量表
17 / 23
第四幕 · 行动建议
实操指南

如何做 AI Native 投资

四层支持体系——不只给钱，更要给"运行能力"

01
给算力
先让想法跑起来，让创业者获得第一轮高频试错
02
给数据
给真实数据、真实授权与真实场景，让产品脱离 demo 阶段
03
给渠道
帮它成为 Agent 工作流里的默认选择，获得真正的信任
04
给资金
验证成功后，再用更大资本放大规模
资助"运行"，而非只资助"想法"
领先的机构已经在这么做了 ↓
18 / 23
第五幕 · 他山之石
真格 Zhen Fund

把第一笔支持，改造成第一万次试错

对很多 AI 创业者 来说，最早缺的是把第一版反复跑出来的 token 预算

Token Grant
￥50,000
支持的是模型 / 算力 / 试错机会。你甚至不必先成为一家公司，只要想法开始运转就够了
信号一
融资门槛被前移
先帮你把第一版做出来
信号二
资助对象变了
资助的是运行中的 idea
信号三
参与方式变了
一起讨论 demo、一起迭代
我的解读
这是种子期资本
认知资本和试错资本
19 / 23
第五幕 · 他山之石
锦秋 Jinqiu Capital

把基金本身做成 AI-native 组织

不只投钱，而是把整个组织变成 创业者 的支持系统

# 锦秋：组织升级
promote [周欣] → [投资执行董事]
add [周琪] → [董事总经理]
add [仲昭阳] → [Lab负责人]
# Architecture
Fund → 投资 创业者
Soil → 给最早的种子
Lab → Day 0 技术支持
理念
Day 0 就开始支持
不等你跑出数据再投，而是在你最需要的时候给资金、团队和场景。Soil 和 Lab 让 创业者 不是一个人在战斗
三位一体
资金 + 团队 + 场景
传统 VC 只给钱和人脉。锦秋给的是"可入住的组织系统"——你带着 idea 来，基建已经准备好了
我的解读
基金即孵化器
当基金本身变成 AI-native 组织，它就不只是资金来源，而是 创业者 的第一个"运行环境"
20 / 23
第五幕 · 他山之石
YC / Garry Tan

把 Founder 升级成超级个体

给公开的 operator 工具链——让个体能力发生杠杆式跃迁

garrytan/gstack
# YC President 的公开 Agent 工具链
15 tools packed into one 工具链:
CEO + Designer + Eng Manager
+ QA + Release + Code Reviewer
# Impact
Stars: 45,000+ (3 weeks)
Message: one person ships like a team
# What this means for VCs
influence via workflow, not just capital
knowledge becomes deal flow engine
核心理念
创始人先装工具链，再扩团队
过去创业第一步是招人。现在第一步是装好工具链——一个人就能搭出第一版产品
社区效应
知识开源 = 影响力分发
45k stars 意味着 45k 个 创业者 在用你的工作流。当他们成功时，你就是最早的支持者
我的解读
影响力通过 workflow 分发
YC 最厉害的地方不是钱，而是方法论。当方法论被工具化、开源化，每个 founder 都成了 YC 网络的节点
21 / 23
第五幕 · 我的判断
我的判断框架

人 × 事 × 善

看完三家机构之后，这是我自己判断一个 AI 项目值不值得投的三角框架

人
至少要是勇敢冲浪的人
• 不是坐在岸上看海的人，是已经在水里的人
• 自己在用 Agent、在烧 token、在做产品
• 有实战经验，不只有 PPT
• 能驾驭 Agent 工具链，一个人就能出活
事
未来有前景，且不会被 AI 一键干掉
• 做的事 3-5 年后依然有价值
• AI 越强越需要它（数据、合规、信任）
• 不是 AI 的替代品，而是 AI 的基础设施
• Workflow 已死，Skill/Protocol 才是未来
善
科技向善，不是卖课割韭菜
• 这个人和事的价值观是正向的
• 不是教别人用 AI 赚钱的"AI 导师"
• 不是包装概念收智商税的"AI 培训"
• 真正在用技术解决真实问题的 创业者
三个条件缺一不可。人不行就是浪费资源，事不行就是方向错误，善不行就是在作恶
22 / 23
经典重读

我们来复习一下韩愈的《马说》

一千两百年前的道理，放在 AI 时代依然成立

世有伯乐，然后有千里马。千里马常有，而伯乐不常有。故虽有名马，祗辱于奴隶人之手，骈死于槽枥之间，不以千里称也。
马之千里者，一食或尽粟一石。食马者不知其能千里而食也。是马也，虽有千里之能，食不饱，力不足，才美不外见，且欲与常马等不可得，安求其能千里也？
策之不以其道，食之不能尽其材，鸣之而不能通其意，执策而临之，曰："天下无马！"呜呼！其真无马邪？其真不知马也！
千里马要吃一石粟才能跑千里。给 AI 创业者 足够的 token，他才能跑出成果。
食不饱，力不足——不给够算力，天才也只能与常马等。
23 / 23
总结

新时代的投资与融资，应该资助"运行"

01
给算力
先让想法跑起来
02
给数据
给真实场景
03
给渠道
卡住默认节点
04
给资金
再放大规模
资本真正该买的
是下一代工作流里的 收费站
运行先于故事
协议先于界面
能力先于现金